Dziś spróbujemy stworzyć i wytrenować prostą sieć konwolucyjną do rozpoznawania, co znajduje się na obrazie. Następnie omówimy kwestię identyfikowania obiektów na obrazie, oraz porozmawiamy o wykorzystaniu gotowej już sieci.
Jak się za to zabrać? Naiwnym podejściem byłaby próba ręcznej specyfikacji pewnych cech (niemowlęta mają duże głowy, szczoteczki są długie, etc.). Szybko jednak stwierdziliśmy, że nawet dla niewielkiego zbioru kategorii jest to tytaniczna praca bez gwarancji sukcesu. Co więcej, istnieje wiele czynników zniekształcających zawartość naszych zdjęć. Obiekty mogą być przedstawiane z różnych ujęć, w różnych warunkach oświetleniowych, w różnej skali, częściowo niewidoczne, ukryte w tle...
Wszystkie wymienione problemy są skutkiem istnienia semantycznej przepaści między tym, jak reprezentowane są nasze dane wejściowe (tablica liczb), a tym, czego w nich szukamy, czyli kategorii i cech: zwierząt, nosów, głów, itp. Zamiast więc próbować samodzielnie napisać funkcję $f(x)$, spróbujemy skorzystać z dobrodziejstw uczenia maszynowego, aby automatycznie skonstruować reprezentację wejścia właściwą dla postawionego sobie zadania (a przynajmniej lepszą od pierwotnej). I tu z pomocą przychodzą nam konwolucyjne sieci neuronowe. Do tego trzeba zrozumieć, czym jest konwolucja (inaczej: splot), a do tego najlepiej nadają się ilustracje, jak to działa.
Konwolucja (splot) to działanie określone dla dwóch funkcji, dające w wyniku inną, która może być postrzegana jako zmodyfikowana wersja oryginalnych funkcji.
Z naszego punktu widzenia polega to na tym, że mnożymy odpowiadające sobie elementy z dwóch macierzy: obrazu, oraz mniejszej, nazywanej filtrem (lub kernelem. Następnie sumujemy wynik i zapisujemy do macierzy wynikowej na odpowiedniej pozycji. Proces powtarza się aż do momentu przeskanowania całego obrazu. Taki filtr wykrywa, czy coś do niego pasuje w danym miejscu, i z tego wynika zdolność semantycznej generalizacji sieci - uczymy się cech, a wykrywamy je potem w dowolnym miejscu. Przydatne pojęcia
Stride to inaczej krok algorytmu, albo przesunięcie. Określa co ile komórek macierzy następuje aplikacja operatora konwolucji. Jeśli stride wynosi 1 a operator konwolucji ma rozmiar np. 3 x 3, to każdy piksel (z wyjątkiem skrajnych narożnych pikseli) będzie uczestniczył w wielu operacjach konwolucji. Jeśli natomiast krok wyniósłby 3, to każdy piksel uczestniczyłby tylko jednokrotnie w tych operacjach. Należy pamiętać, że krok stosujemy zarówno w poziomie, jak i pionie. Najczęściej w obu kierunkach wykorzystuje się ten sam krok.
Padding to inaczej wypełnienie krawędzi obrazu. Określa, w jaki sposób będą traktowane skrajne piksele. Jeśli padding wynosi 0, to skrajne piksele będą uczestniczyły w operacjach konwolucji rzadziej, niż pozostałe piksele (oczywiście jest to również uzależnione od wartości kroku). Aby zniwelować ten efekt, możemy dodać wypełnienie wokół całego obrazu. Te dodatkowe piksele mogą być zerami, albo mogą być również jakimiś uśrednionymi wartościami pikseli sąsiednich. Wypełnienie zerami oznacza de facto obramowanie całego obrazu czarną ramkną.
Pooling jest procesem wykorzystywanym do redukcji rozmiaru obrazu. Występują 2 warianty: max-pooling oraz avg-pooling. Pozwala on usunąć zbędne dane, np. jeżeli filtr wykrywa linie, to istnieje spora szansa, że linie te ciągną się przez sąsiednie piksele, więc nie ma powodu powielać tej informacji. Dzięki temu wprowadzamy pewną inwariancję w wagach sieci i jesteśmy odporni na niewielkie wahania lokalizacji informacji, a skupiamy się na "większym obrazie".
Sieć konwolucyjna składa się zawsze najpierw, zgodnie z nazwą, z części konwolucyjnej, której zadaniem jest wyodrębnienie przydatnych cech z obrazu za pomocą filtrów, warstw poolingowych etc.
Warstwa konwolucyjna sieci neuronowej składa się z wielu filtrów konwolucyjnych działających równolegle (tj. wykrywających różne cechy). Wagi kerneli, początkowo zainicjalizowane losowo, są dostrajane w procesie uczenia. Wynik działania poszczególnych filtrów jest przepuszczany przez funkcję nieliniową. Mamy tu do czynienia z sytuacją analogiczną jak w MLP: najpierw wykonujemy przekształcenie liniowe, a potem stosujemy funkcję aktywacji. Funkcji aktywacji nie stosuje się jendak po warstawch poolingowych, są to stałe operacje nie podlegające uczeniu.
W celu klasyfikacji obrazu musimy później użyć sieci MLP. Jako że wejściem do sieci MLP jest zawsze wektor, a wyjściem warstwy konwolucyjnej obraz. Musimy zatem obraz przetworzony przez filtry konwolucyjne sprowadzić do formy wektora, tzw. embedding-u / osadzenia, czyli reprezentacji obrazu jako punktu w pewnej ciągłej przestrzeni. Służy do tego warstwa spłaszczająca (flatten layer), rozwijająca macierze wielkowymiarowe na wektor, np $10 \times 10 \times 3$ na $300 \times 1$.
Część konwolucyjna nazywa się często backbone, a część MLP do klasyfikacji head. Głowa ma zwykle 1-2 warstwy w pełni połączone, z aktywacją softmax w ostatniej warstwie. Czasem jest nawet po prostu pojedynczą warstwą z softmaxem, bo w dużych sieciach konwolucyjnych ekstrakcja cech jest tak dobra, że taka prosta konstrukcja wystacza do klasyfikacji embeddingu.
import torch
import torchvision
import torchvision.transforms as transforms
Wybierzmy rodzaj akceleracji. Współczesne wersje PyTorch wspierają akcelerację nie tylko na kartach Nvidii i AMD, ale również na procesorach Apple z serii M. Obsługa AMD jest realizowana identycznie jak CUDA natomiast MPS (Apple) ma nieco inne API do sprawdzania dostępności i wybierania urządzenia.
Zapisujemy wybrane urządzenie do zmiennej device, dzięki czemu w dalszych częściach kodu już nie będziemy musieli o tym myśleć.
if torch.cuda.is_available():
device = torch.device("cuda:0")
elif torch.backends.mps.is_available():
device = torch.device("mps")
print(device)
cuda:0
W pakiecie torchvision mamy funkcje automatycznie pobierające niektóre najbardziej popularne zbiory danych z obrazami.
W tym ćwiczeniu wykorzystamy zbiór FashionMNIST, który zawiera małe (28x28) zdjęcia ubrań w skali szarości. Zbiór ten został stworzony przez Zalando i jest "modowym" odpowiednikiem "cyferkowego" MNIST-a, jest z nim kompatybilny pod względem rozmiarów i charakterystyki danych, ale jest od MNIST-a trudniejszy w klasyfikacji.
Do funkcji ładujących zbiory danych możemy przekazać przekształcenie, które powinno zostać na nim wykonane. Przekształcenia można łączyć przy użyciu transforms.Compose. W tym przypadku przekonwertujemy dane z domyślnej reprezentacji PIL.Image na torch-owe tensory.
Pobrany dataset przekazujemy pod kontrolę DataLoader-a, który zajmuje się podawaniem danych w batch-ach podczas treningu.
transform = transforms.Compose([transforms.ToTensor()])
batch_size = 32
trainset = torchvision.datasets.FashionMNIST(
root="./data", train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
trainset, batch_size=batch_size, shuffle=True
)
testset = torchvision.datasets.FashionMNIST(
root="./data", train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
testset, batch_size=batch_size, shuffle=True
)
classes = (
"top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
)
print(type(testset[0][0]))
<class 'torch.Tensor'>
Zobaczmy, co jest w naszym zbiorze danych. Poniżej kawałek kodu, który wyświetli nam kilka przykładowych obrazków. Wartości pikseli są znormalizowane do przedziału [0,1].
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.axis("off")
plt.show()
dataiter = iter(trainloader)
images, labels = next(dataiter)
def grid_show(images, nrow=8):
imshow(torchvision.utils.make_grid(images, nrow=nrow))
def print_grid(labels, nrow=8):
rows = [labels[n : n + nrow] for n in range(0, len(labels), nrow)]
for r in rows:
print(" ".join(f"{classes[c]:10s}" for c in r))
grid_show(images)
print_grid(labels)
Coat Shirt top Dress Dress Sandal Pullover Sneaker Bag Ankle boot Trouser Ankle boot Ankle boot Bag Trouser Bag top top top Pullover Sandal Bag Sandal Ankle boot Pullover Pullover Sneaker Pullover Sneaker top Dress Sandal
LeNet to bardzo znany, klasyczny model sieci konwolucyjnej.
Warstwy:
Zadanie 1 (2 punkty)
Zaimplementuj wyżej opisaną sieć, używając biblioteki PyTorch. Wprowadzimy sobie jednak pewne modyfikacje, żeby było ciekawiej:
Przydatne elementy z pakietu torch.nn:
Conv2d()AvgPool2d()Linear()Z pakietu torch.nn.functional:
relu()import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):
def __init__(self):
super().__init__()
self.layer1 = nn.Sequential(
nn.Conv2d(1, 20, 5),
nn.ReLU(),
nn.AvgPool2d(2, 2)
)
self.layer2 = nn.Sequential(
nn.Conv2d(20, 50, 5),
nn.ReLU(),
nn.AvgPool2d(2, 2)
)
self.fc1 = nn.Linear(50 * 4 * 4, 300)
self.relu1 = nn.ReLU()
self.fc2 = nn.Linear(300, 100)
self.relu2 = nn.ReLU()
self.fc3 = nn.Linear(100, len(classes))
def forward(self, x):
out = self.layer1(x)
out = self.layer2(out)
out = out.reshape(out.size(0), -1)
out = self.fc1(out)
out = self.relu1(out)
out = self.fc2(out)
out = self.relu2(out)
out = self.fc3(out)
return out
Do treningu użyjemy stochastycznego spadku po gradiencie (SGD), a jako funkcję straty Categorical Cross Entropy. W PyTorch-u funkcja ta operuje na indeksach klas (int), a nie na wektorach typu one-hot (jak w Tensorflow).
import torch.optim as optim
net = LeNet().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
Zadanie 2 (1 punkt)
Uzupełnij pętlę uczącą sieć na podstawie jej predykcji. Oblicz (wykonaj krok do przodu) funkcję straty, a następnie przeprowadź propagację wsteczną i wykonaj krok optymalizatora.
net.train()
for epoch in range(5):
loss_sum = 0
for images, labels in trainloader:
images = images.to(device)
labels = labels.to(device)
output_images = net(images)
loss = criterion(output_images, labels)
loss_sum += loss
loss.backward()
optimizer.step()
optimizer.zero_grad()
print(f"epoch {epoch} loss: {loss_sum:.4f}")
epoch 0 loss: 2411.3281 epoch 1 loss: 1309.2604 epoch 2 loss: 1135.7634 epoch 3 loss: 1023.3450 epoch 4 loss: 941.5866
Zobaczmy na kilku przykładach jak działa wytrenowana sieć.
dataiter = iter(testloader)
images, labels = next(dataiter)
grid_show(images)
print("Ground Truth")
print_grid(labels)
outputs = net(images.to(device))
_, predicted = torch.max(outputs, 1)
print()
print("Predicted")
print_grid(predicted)
Ground Truth Sneaker Shirt Pullover Bag Dress Sandal Coat Pullover Coat Bag Sandal Ankle boot Bag Shirt Bag Ankle boot Shirt top Ankle boot Coat Coat Shirt Dress Bag Pullover Sandal Coat Bag Trouser top Sneaker Sneaker Predicted Sneaker Shirt Shirt Bag Pullover Sandal Coat Shirt Shirt Bag Sandal Ankle boot Bag Shirt Bag Ankle boot Coat Dress Ankle boot Coat Coat Shirt Dress Bag Pullover Sandal Coat Bag Trouser top Ankle boot Sneaker
Obliczmy dokładności (accuracy) dla zbioru danych.
correct = 0
total = 0
net.eval()
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images.to(device))
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels.to(device)).sum().item()
print(f"Accuracy of the network on the 10000 test images: {100 * correct // total} %")
Accuracy of the network on the 10000 test images: 81 %
Skomentuj wyniki:
Wynik na takim poziomie wydaje się być bardzo dobry przy tak prostej budowie modelu i krótkim czasie uczenia
Znając ogólny wynik klasyfikacji dla zbioru przeanalizujmy dokładniej, z którymi klasami jest największy problem.
Zadanie 3 (1 punkt)
Oblicz dokładność działania sieci (accuracy) dla każdej klasy z osobna. Podczas oceniania skuteczności modelu nie potrzebujemy, aby gradienty się liczyły. Możemy zatem zawrzeć obliczenia w bloku with torch.no_grad():
net.eval()
class_correct = [0] * len(classes)
class_total = [0] * len(classes)
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images.to(device))
_, predicted = torch.max(outputs.data, 1)
for i in range(len(classes)):
class_total[i] += (labels == i).sum().item()
class_correct[i] += (predicted == labels.to(device))[labels == i].sum().item()
for i in range(len(classes)):
print(f"Accuracy of {classes[i]}: {100 * class_correct[i] // class_total[i]}%")
Accuracy of top: 68% Accuracy of Trouser: 93% Accuracy of Pullover: 58% Accuracy of Dress: 85% Accuracy of Coat: 82% Accuracy of Sandal: 94% Accuracy of Shirt: 51% Accuracy of Sneaker: 90% Accuracy of Bag: 95% Accuracy of Ankle boot: 93%
Skomentuj wyniki:
Możemy wyraźnie zaobserwować, że niektóre klasy są rozpoznawane znacznie gorzej od innych. Klasa Shirt jest rozpoznawana zdecydowanie najgorzej z dokładnością jedynie 51%.
Problem detekcji polega na nie tylko sklasyfikowaniu obiektów na obrazie, ale również wyznaczeniu jego dokładnego położenia w postaci bounding-box-u. Choć jest to problem odmienny od klasyfikacji obrazów, to w praktyce ściśle z nim powiązany - modele do detekcji obiektów przeważnie do pewnego momentu wyglądają tak samo, jak modele klasyfikacji. Jednak pod koniec sieć jest dzielona na 2 wyjścia: jedno to standardowa klasyfikacja, a drugie to regresor określający pozycję obiektu na obrazie, tzw. bounding box. Najpopularniejszymi przykładami takich sieci są YOLO i Mask R-CNN. Zbiór danych też jest odpowiednio przygotowany do tego zadania i oprócz właściwych zdjęć zawiera również listę bounding-box-ów i ich etykiety.
Zobaczymy jak działa detekcja na przykładzie już wytrenowanej sieci neuronowej. Autorzy skutecznych sieci często udostępniają ich wagi online, dzięki czemu jeżeli mamy doczynienia z analogicznym problemem jak ten, do którego dana sieć była przygotowana możemy z niej skorzystać "prosto z pudełka".
PyTorch pozwala nam na pobranie wytrenowanych wag dla kilku najpopularniejszych modeli. Sprawdzimy jak z tego skorzystać.
from torchvision.models import detection
import numpy as np
import cv2
from PIL import Image
import urllib
Poniżej znajduje się funkcja pozwalająca wczytać obraz z sieci. Przyda się do testowania działania sieci.
def url_to_image(url):
resp = urllib.request.urlopen(url)
image = np.asarray(bytearray(resp.read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)
return image
Model, którym się zajmiemy to Faster R-CNN, który był trenowany na zbiorze COCO. Poniżej znajduje się lista klas (etykiet) dla tego zbioru danych.
classes = [
"__background__",
"person",
"bicycle",
"car",
"motorcycle",
"airplane",
"bus",
"train",
"truck",
"boat",
"traffic light",
"fire hydrant",
"street sign",
"stop sign",
"parking meter",
"bench",
"bird",
"cat",
"dog",
"horse",
"sheep",
"cow",
"elephant",
"bear",
"zebra",
"giraffe",
"hat",
"backpack",
"umbrella",
"handbag",
"tie",
"shoe",
"eye glasses",
"suitcase",
"frisbee",
"skis",
"snowboard",
"sports ball",
"kite",
"baseball bat",
"baseball glove",
"skateboard",
"surfboard",
"tennis racket",
"bottle",
"plate",
"wine glass",
"cup",
"fork",
"knife",
"spoon",
"bowl",
"banana",
"apple",
"sandwich",
"orange",
"broccoli",
"carrot",
"hot dog",
"pizza",
"donut",
"cake",
"chair",
"couch",
"potted plant",
"bed",
"mirror",
"dining table",
"window",
"desk",
"toilet",
"door",
"tv",
"laptop",
"mouse",
"remote",
"keyboard",
"cell phone",
"microwave",
"oven",
"toaster",
"sink",
"refrigerator",
"blender",
"book",
"clock",
"vase",
"scissors",
"teddy bear",
"hair drier",
"toothbrush",
]
colors = np.random.randint(0, 256, size=(len(classes), 3))
Inizjalizacja modelu ResNet50-FPN wytrenowanymi wagami. Inicjalizujemy zarówno sieć backbone jak i RCNN.
model = detection.fasterrcnn_resnet50_fpn(
weights=detection.FasterRCNN_ResNet50_FPN_Weights.DEFAULT,
weights_backbone=torchvision.models.ResNet50_Weights.DEFAULT,
progress=True,
num_classes=len(classes)
).to(device)
model.eval()
IPython, z którego korzystamy w Jupyter Notebooku, ma wbudowaną funkcję display() do wyświetlania obrazów.
Do pobierania obrazów możemy się posłyżyć wget-em.
# Pobieranie obrazka z sieci
!wget https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg --output-document toothbrushes.jpg
'wget' is not recognized as an internal or external command, operable program or batch file.
# Wyświetlanie obrazka
image = Image.open("toothbrushes.jpg")
# make sure we have 3-channel RGB, e.g. without transparency
image = image.convert("RGB")
display(image)
PyTorch wymaga obrazów w kształcie [channels, height, width] (C, H, W) oraz z wartościami pikseli między 0 a 1. Pillow wczytuje obrazy z kanałami (H, W, C) oraz z wartościami pikseli między 0 a 255. Przed wykorzystaniem sieci neuronowej trzeba zatem:
image_tensor = torch.from_numpy(np.array(image))
image_tensor = image_tensor.permute(2, 0, 1)
image_tensor_int = image_tensor # useful for displaying, dtype = uint8
image_tensor = image_tensor / 255
image_tensor.shape, image_tensor.dtype
(torch.Size([3, 960, 1280]), torch.float32)
Zadanie 4 (1 punkt)
Użyj modelu do wykrycia obiektów na obrazie. Następnie wybierz tylko te bounding boxy, dla których mamy wynik powyżej 50%. Wypisz te bounding boxy, ich prawdopodobieństwa (w procentach) oraz nazwy klas.
Następnie wykorzystaj wyniki do zaznaczenia bounding box'a dla każdego wykrytego obiektu na obrazie oraz podpisz wykrytą klasę wraz z prawdopodobieństwem. Możesz tutaj użyć:
from copy import deepcopy
from PIL import ImageDraw
with torch.no_grad():
output = model([image_tensor.to(device)])
boxes = output[0]['boxes'].cpu().numpy()
labels = output[0]['labels'].cpu().numpy()
scores = output[0]['scores'].cpu().numpy()
image_with_bb = deepcopy(image)
draw = ImageDraw.Draw(image_with_bb)
for box, label, score in zip(boxes, labels, scores):
if score > 0.5:
draw.rectangle(box, outline='red', width=3)
draw.text((box[0]+5, box[1]+3), f'{classes[label]}: {score:.2f}', fill='red')
display(image_with_bb)
Trenowanie głębokich sieci neuronowych do przetwarzania obrazów jest zadaniem wymagającym bardzo dużych zbiorów danych i zasobów obliczeniowych. Często jednak, nie musimy trenować takich sieci od nowa, możemy wykorzystać wytrenowane modele i jedynie dostosowywaać je do naszych problemów. Działanie takie nazywa się transfer learning-iem.
Przykładowao: mamy już wytrenowaną sieć na dużym zbiorze danych (pretrening) i chcemy, żeby sieć poradziła sobie z nową klasą obiektów (klasyfikacja), albo lepiej radziła sobie z wybranymi obiektami, które już zna (fine-tuning). Możemy usunąć ostatnią warstwę sieci i na jej miejsce wstawić nową, identyczną, jednak z losowo zainicjalizowanymi wagami, a następnie dotrenować sieć na naszym nowym, bardziej specyficznym zbiorze danych. Przykładowo, jako bazę weźmiemy model wytrenowany na zbiorze ImageNet i będziemy chcieli użyć go do rozpoznawania nowych, nieznanych mu klas, np. ras psów.
Dla przećwiczenia takiego schematu działania wykorzystamy zbiór danych z hotdogami. Będziemy chcieli stwierdzić, czy na obrazku jest hotdog, czy nie. Jako sieci użyjemy modelu ResNet-18, pretrenowanej na zbiorze ImageNet.
# Download the hotdog dataset
!wget http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip
!unzip -n hotdog.zip
'wget' is not recognized as an internal or external command, operable program or batch file. 'unzip' is not recognized as an internal or external command, operable program or batch file.
Kiedy korzystamy z sieci pretrenowanej na zbiorze ImageNet, zgodnie z dokumentacją trzeba dokonać standaryzacji naszych obrazów, odejmując średnią i dzieląc przez odchylenie standardowe każdego kanału ze zbioru ImageNet.
All pre-trained models expect input images normalized in the same way, i.e. mini-batches of 3-channel RGB images of shape (3 x H x W), where H and W are
expected to be at least 224. The images have to be loaded in to a range of [0, 1] and then normalized using mean = [0.485, 0.456, 0.406] and std = [0.229,
0.224, 0.225]. You can use the following transform to normalize:
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])
torch.manual_seed(17)
normalize = transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]
)
train_augs = torchvision.transforms.Compose(
[
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize,
]
)
test_augs = torchvision.transforms.Compose(
[
torchvision.transforms.Resize(256),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize,
]
)
pretrained_net = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1)
pretrained_net.fc
Linear(in_features=512, out_features=1000, bias=True)
Zadanie 5 (1 punkt)
Dodaj warstwę liniową do naszej fine-tune'owanej sieci oraz zainicjuj ją losowymi wartościami.
finetuned_net = pretrained_net
finetuned_net.fc = nn.Linear(finetuned_net.fc.in_features, 2)
nn.init.normal_(finetuned_net.fc.weight)
nn.init.zeros_(finetuned_net.fc.bias)
Parameter containing: tensor([0., 0.], requires_grad=True)
import time
import copy
def train_model(
model, dataloaders, criterion, optimizer, num_epochs=25
):
since = time.time()
val_acc_history = []
best_model_wts = copy.deepcopy(model.state_dict())
best_acc = 0.0
for epoch in range(1, num_epochs + 1):
print("Epoch {}/{}".format(epoch, num_epochs))
print("-" * 10)
# Each epoch has a training and validation phase
for phase in ["train", "val"]:
if phase == "train":
model.train() # Set model to training mode
else:
model.eval() # Set model to evaluate mode
running_loss = 0.0
running_corrects = 0
# Iterate over data.
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward
# track history if only in train
with torch.set_grad_enabled(phase == "train"):
# Get model outputs and calculate loss
outputs = model(inputs)
loss = criterion(outputs, labels)
_, preds = torch.max(outputs, 1)
# backward + optimize only if in training phase
if phase == "train":
loss.backward()
optimizer.step()
# statistics
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
epoch_loss = running_loss / len(dataloaders[phase].dataset)
epoch_acc = running_corrects.float() / len(dataloaders[phase].dataset)
print("{} Loss: {:.4f} Acc: {:.4f}".format(phase, epoch_loss, epoch_acc))
# deep copy the model
if phase == "val" and epoch_acc > best_acc:
best_acc = epoch_acc
best_model_wts = copy.deepcopy(model.state_dict())
if phase == "val":
val_acc_history.append(epoch_acc)
print()
time_elapsed = time.time() - since
print(
"Training complete in {:.0f}m {:.0f}s".format(
time_elapsed // 60, time_elapsed % 60
)
)
print("Best val Acc: {:4f}".format(best_acc))
# load best model weights
model.load_state_dict(best_model_wts)
return model, val_acc_history
import os
data_dir = "hotdog"
batch_size = 32
model_ft = finetuned_net.to(device)
train_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "train"), transform=train_augs
),
batch_size=batch_size,
shuffle=True,
)
test_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "test"), transform=test_augs
),
shuffle=True,
batch_size=batch_size,
)
loss = nn.CrossEntropyLoss(reduction="none")
Zadanie 6 (1 punkt)
Zmodyfikuj tak parametry sieci, aby learning rate dla ostatniej warstwy był 10 razy wyższy niż dla pozostałych.
Trzeba odpowiednio podać pierwszy parametr torch.optim.SGD tak, aby zawierał parametry normalne, oraz te z lr * 10. Paramety warstw niższych to takie, które mają nazwę inną niż fc.weight albo fc.bias - może się przydać metoda sieci named_parameters().
def train_fine_tuning(net, learning_rate, num_epochs=15):
params = net.named_parameters()
params1 = []
params2 = []
for name, param in params:
if name == "fc.weight" or name == "fc.bias":
params1.append(param)
else:
params2.append(param)
trainer = torch.optim.SGD(
[
{"params": params1, "lr": learning_rate},
{"params": params2, "lr": learning_rate * 10}
]
)
dataloaders_dict = {"train": train_iter, "val": test_iter}
criterion = nn.CrossEntropyLoss()
model_ft, hist = train_model(
net, dataloaders_dict, criterion, trainer, num_epochs=num_epochs
)
return model_ft, hist
model_ft, hist = train_fine_tuning(model_ft, learning_rate=5e-5)
Epoch 1/15 ---------- train Loss: 4.3790 Acc: 0.8155 val Loss: 2.5708 Acc: 0.9050 Epoch 2/15 ---------- train Loss: 1.8604 Acc: 0.9000 val Loss: 1.5483 Acc: 0.9000 Epoch 3/15 ---------- train Loss: 1.6009 Acc: 0.8975 val Loss: 1.1124 Acc: 0.9225 Epoch 4/15 ---------- train Loss: 0.9929 Acc: 0.9160 val Loss: 1.0544 Acc: 0.9275 Epoch 5/15 ---------- train Loss: 0.9642 Acc: 0.9260 val Loss: 1.1793 Acc: 0.9062 Epoch 6/15 ---------- train Loss: 0.9287 Acc: 0.9180 val Loss: 0.8719 Acc: 0.9187 Epoch 7/15 ---------- train Loss: 0.8030 Acc: 0.9250 val Loss: 0.9771 Acc: 0.9150 Epoch 8/15 ---------- train Loss: 0.6185 Acc: 0.9280 val Loss: 0.7574 Acc: 0.9325 Epoch 9/15 ---------- train Loss: 0.7549 Acc: 0.9285 val Loss: 0.7846 Acc: 0.9250 Epoch 10/15 ---------- train Loss: 0.5375 Acc: 0.9380 val Loss: 0.7058 Acc: 0.9312 Epoch 11/15 ---------- train Loss: 0.5001 Acc: 0.9410 val Loss: 0.8170 Acc: 0.9287 Epoch 12/15 ---------- train Loss: 0.4840 Acc: 0.9330 val Loss: 0.7826 Acc: 0.9237 Epoch 13/15 ---------- train Loss: 0.5275 Acc: 0.9355 val Loss: 0.7989 Acc: 0.9137 Epoch 14/15 ---------- train Loss: 0.4412 Acc: 0.9375 val Loss: 0.7506 Acc: 0.9200 Epoch 15/15 ---------- train Loss: 0.4407 Acc: 0.9410 val Loss: 0.9537 Acc: 0.9212 Training complete in 2m 37s Best val Acc: 0.932500
skomentuj wyniki:
Dokładność równa 93.25% to bardzo dobry wynik.
Przy wyświetlaniu predykcji sieci musimy wykonać operacje odwrotne niż te, które wykonaliśmy, przygotowując obrazy do treningu:
def imshow(img, title=None):
img = img.permute(1, 2, 0).numpy()
means = np.array([0.485, 0.456, 0.406])
stds = np.array([0.229, 0.224, 0.225])
img = stds * img + means
img = np.clip(img, 0, 1)
plt.imshow(img)
if title is not None:
plt.title(title)
plt.pause(0.001)
import matplotlib.pyplot as plt
plt.ion()
def visualize_model(model, num_images=6):
class_names = ["hotdog", "other"]
model.eval()
images_so_far = 0
fig = plt.figure()
with torch.no_grad():
for i, (inputs, labels) in enumerate(test_iter):
inputs = inputs.to(device)
labels = labels.to(device)
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
for j in range(inputs.size()[0]):
images_so_far += 1
ax = plt.subplot(num_images // 2, 2, images_so_far)
ax.axis('off')
ax.set_title(f'predicted: {class_names[preds[j]]}')
imshow(inputs.data[j].cpu())
if images_so_far == num_images:
return
visualize_model(model_ft)
W zadaniach dotyczących klasyfikacji obrazu wykorzystywaliśmy prosty zbiór danych i sieć LeNet. Teraz zamień zbiór danych na bardziej skomplikowany, np. ten lub ten (lub inny o podobnym poziomie trudności) i zamiast prostej sieci LeNet użyj bardziej złożonej, np. AlexNet, ResNet, MobileNetV2.